Evaluating a Multitask AI Model versus Humans for Portion Size Estimation

Die Studie zeigt, dass ein kulturell angepasster visueller Atlas die genaueste Methode zur Portionsgrößenabschätzung in Zentralasien ist, während KI-Modelle zwar vielversprechend sind, insbesondere bei Standardportionen, jedoch bei kleinen Mengen und komplexen Lebensmitteln noch verbessert werden müssen.

Das Wesentliche

🍽️ Die große Portions-Schätzer-Challenge: Mensch, Atlas oder Roboter?

Stellen Sie sich vor, Sie sitzen an einem großen Tisch in Kasachstan. Vor Ihnen stehen riesige Teller mit köstlichem Pilaw, Schaschlik und anderen lokalen Spezialitäten. Die Frage ist: Wie viel davon haben Sie eigentlich gegessen?

Das ist für die Ernährungswissenschaft eine riesige Herausforderung. Wenn Menschen ihre eigene Portion schätzen, machen sie oft Fehler. Entweder sie denken, sie hätten weniger gegessen als wirklich (und unterschätzen die Kalorien), oder sie schätzen völlig daneben.

Diese Studie aus Kasachstan hat genau dieses Problem angepackt. Sie wollten herausfinden: Wer ist der beste Schätzer?

1. Der menschliche Schätzer (ohne Hilfe).
2. Der menschliche Schätzer mit einer „Bilder-Mappe" (einem digitalen Atlas).
3. Ein KI-Computer (eine künstliche Intelligenz).

Hier ist, was sie herausfunden, übersetzt in eine einfache Geschichte:

---

1. Der ungeschulte Mensch: Der „Bauchgefühl"-Schätzer 🤷‍♂️

Stellen Sie sich einen Menschen vor, der versucht, die Menge an Essen zu erraten, nur auf Basis dessen, was er sieht. Das ist wie ein Schätzwettbewerb im Dunkeln.

• Das Ergebnis: Dieser Teilnehmer war der schlechteste Schätzer. Er lag oft weit daneben, besonders bei kleinen Portionen oder komplexen Gerichten wie Salaten.
• Die Metapher: Das ist wie wenn Sie versuchen, die Anzahl der Gummibärchen in einem Glas zu erraten, ohne das Glas anzufassen oder zu wiegen. Sie raten einfach. Oft sind Sie um 130 Gramm daneben – das ist wie eine ganze Tafel Schokolade zu viel oder zu wenig!

2. Der Atlas-Helfer: Der „Bildungs"-Schätzer 📚📸

Dann gab es eine Gruppe, die eine spezielle digitale Bilder-Mappe bekam. Diese Mappe zeigte Fotos von genau diesen Gerichten in drei Größen: klein, mittel und groß.

• Das Ergebnis: Diese Gruppe war der König der Genauigkeit. Sie lagen am nächsten an der echten Waage.
• Die Metapher: Das ist wie wenn Sie nicht mehr raten müssen, sondern ein Maßband oder eine Schablone haben. Wenn Sie sehen, wie viel ein Teller Pilaw auf dem Foto wiegt, können Sie Ihren eigenen Teller viel besser vergleichen. Besonders bei kleinen Portionen half diese „Bilder-Mappe" enorm, Fehler zu vermeiden.

3. Die KI: Der „Super-Computer" mit einem Schwachpunkt 🤖

Dann kam der Roboter ins Spiel. Eine künstliche Intelligenz, die mit über 21.000 Fotos von zentralasiatischem Essen trainiert wurde.

• Das Ergebnis: Die KI war sehr gut bei großen, klaren Portionen (wie einem ganzen Glas Milch oder einem großen Stück Fleisch). Hier war sie manchmal sogar besser als der Mensch ohne Hilfe.
• Aber: Bei kleinen Portionen oder bei Essen, das keine feste Form hat (wie Suppe oder Salat), wurde die KI chaotisch. Sie schätzte oft völlig falsch.
• Die Metapher: Die KI ist wie ein Seher, der nur bei klarem Wetter gut sieht. Wenn das Essen groß und deutlich ist, sieht er alles perfekt. Aber wenn das Essen klein ist oder sich im Teller „versteckt" (wie ein kleiner Löffel Joghurt), verliert er den Fokus und macht riesige Fehler.

---

🏆 Das große Fazit

Die Studie sagt uns etwas sehr Wichtiges für die Zukunft der Ernährung:

• Der „Bilder-Atlas" ist der aktuelle Gewinner: Wenn wir Menschen in Regionen wie Zentralasien helfen wollen, ihre Ernährung zu tracken, ist eine kulturspezifische Bilder-Mappe das beste Werkzeug. Sie ist einfach, verständlich und funktioniert zuverlässig, egal ob das Essen klein oder groß ist.
• Die KI hat Potenzial, braucht aber noch „Schulung": Die künstliche Intelligenz ist vielversprechend, besonders für große Portionen und Getränke. Aber sie muss noch besser lernen, wie man kleine Mengen und komplexe Texturen (wie einen Salat, bei dem man nicht sieht, wie viel Dressing drin ist) einschätzt.

Warum ist das wichtig?
In vielen Teilen der Welt essen Menschen gemeinsam aus großen Tellern. Da gibt es keine „Standard-Portionen" wie im Westen. Um Krankheiten wie Diabetes oder Fettleibigkeit zu bekämpfen, müssen wir genau wissen, was gegessen wird. Diese Studie zeigt uns: Ein gut gemachtes Bildbuch ist oft besser als ein noch so smarter Roboter, wenn es darum geht, die Wahrheit über unseren Teller zu finden.

Kurz gesagt: Helfen Sie den Menschen mit Bildern, und die KI darf noch ein bisschen in die Schule gehen! 🎓🍲

Technische Zusammenfassung

Technische Zusammenfassung: Evaluierung eines Multitask-KI-Modells versus menschlicher Schätzung bei der Portionsgrößenbestimmung

1. Problemstellung
Die genaue Erfassung der Nahrungsaufnahme ist entscheidend für die Präzisionsernährung und die Überwachung des Ernährungsstatus, stellt jedoch insbesondere in kulturell diversen Regionen wie Zentralasien eine erhebliche Herausforderung dar. Traditionelle Selbstberichtsmethoden liefern oft inkonsistente Ergebnisse, da sie nicht an lokale Essgewohnheiten (z. B. gemeinschaftliches Essen von großen Tellern) angepasst sind und die Bevölkerung mit standardisierten Maßeinheiten (Gramm, Tassen) wenig vertraut ist. Dies führt zu systematischen Fehlern bei der Schätzung von Portionsgrößen und Nährstoffzufuhr, was die Entwicklung evidenzbasierter Gesundheitspolitiken behindert. Bisherige KI-Lösungen wurden primär in westlichen Kontexten validiert und berücksichtigen die spezifischen Gegebenheiten zentralasiatischer Küche und Esskultur unzureichend.

2. Methodik
Die Studie ist ein querschnittlicher Vergleichsvalidierungsansatz, der drei Methoden zur Schätzung von Portionsgrößen gegenüberstellte:

• Ungezielte menschliche Schätzung: Teilnehmer schätzten Portionsgrößen basierend auf Fotos ohne Hilfsmittel.
• Visueller Food-Atlas (Atlas-gestützt): Teilnehmer nutzten einen digital angepassten, kulturell spezifischen Food-Atlas mit Fotos von drei Portionsgrößen pro Lebensmittel.
• KI-Modell: Ein auf über 21.000 regionalen Bildern trainiertes KI-Modell (basierend auf einem YOLOv12-basierten End-to-End-Multitask-Framework), das Objekterkennung und Portionsgrößenabschätzung in einer Architektur vereint.

Studiendesign und Daten:

• Teilnehmer: 128 Erwachsene aus Astana, Kasachstan (ohne professionelle Ernährungsexpertise in der ungestützten Gruppe).
• Material: 51 Lebensmittel und 8 Getränke in drei Portionsgrößen (klein, mittel, groß), dargestellt durch standardisierte Fotos.
• Referenzstandard: Tatsächliche Gewichte der Lebensmittel (Ground Truth).
• Metriken: Die Genauigkeit wurde mittels Mean Absolute Error (MAE) und Mean Absolute Percentage Error (MAPE) bewertet.

3. Wichtige Beiträge

• Validierung eines regionalen Tools: Entwicklung und Validierung eines zentralasiatischen digitalen Food-Atlases mit Ground-Truth-Gewichtsmessungen.
• KI-Modellierung: Erstellung und Testung eines KI-Modells, das speziell auf zentralasiatische Lebensmittel (basierend auf den Datensätzen CAFD und CAFSD) und Gemeinschaftsessen trainiert wurde.
• Vergleichende Analyse: Erster direkter Vergleich zwischen ungestützter menschlicher Schätzung, visuellen Hilfsmitteln und KI in einem nicht-westlichen, kulturell spezifischen Kontext.
• Standardisierung: Bereitstellung eines standardisierten Instruments für die Ernährungsüberwachung in Zentralasien.

4. Ergebnisse
Die Analyse ergab deutliche Unterschiede in der Genauigkeit der drei Methoden:

• Atlas-gestützte Schätzung (Beste Leistung): Diese Methode erzielte die höchste Gesamtgenauigkeit mit dem niedrigsten MAE (80,81 g) und MAPE (44,76 %). Sie war besonders effektiv bei komplexen, zusammengesetzten Gerichten (z. B. Pilaw, Samsa) und reduzierte die Fehler bei Salaten um ca. 50 % im Vergleich zur ungestützten Schätzung.
• KI-Modell (Gemischte Leistung):
  • Das Modell zeigte vielversprechende Ergebnisse bei durchschnittlichen und großen Portionen sowie bei Getränken.
  • Bei kleinen Portionen und insbesondere bei fleischbasierten Lebensmitteln schnitt das KI-Modell schlechter ab (hoher MAPE von bis zu 144 % bei kleinen Fleischportionen).
  • Das Modell hatte Schwierigkeiten mit amorpher Nahrung (Salate, Suppen) und Texturunterschieden, da 2D-Bilder die Volumenbestimmung bei unregelmäßigen Formen erschweren.
• Ungestützte menschliche Schätzung (Schlechteste Leistung): Diese Gruppe erzielte die höchsten Fehlerwerte (MAE: 133,86 g; MAPE: 79,40 %), was die Notwendigkeit von Hilfsmitteln unterstreicht.

Spezifische Erkenntnisse nach Kategorien:

• Bei Fleisch und Milchprodukten war der Atlas der ungeschlagenen Referenz am genauesten.
• Das KI-Modell konnte bei großen Milchportionen den niedrigsten prozentualen Fehler (27,57 %) erzielen, versagte jedoch bei kleinen Portionen.

5. Bedeutung und Schlussfolgerung
Die Studie belegt, dass kulturell angepasste visuelle Atlanten die zuverlässigste Methode zur Portionsgrößenbestimmung in zentralasiatischen Gemeinschaften sind, insbesondere bei komplexen Essenssituationen. Während KI-Modelle das Potenzial haben, die Ernährungsüberwachung zu automatisieren und zu skalieren, sind sie derzeit noch nicht robust genug für kleine Portionen oder Lebensmittel mit variabler Textur.

Implikationen:

• Für die öffentliche Gesundheit in Zentralasien sollten visuelle Atlanten als primäres Tool integriert werden.
• KI-Systeme benötigen weitere Verfeinerungen, insbesondere durch Training mit Daten zu kleinen Portionen, Dichte und Textur, um in realen Szenarien (z. B. mobile Apps) zuverlässig zu funktionieren.
• Die Kombination aus visuellen Referenzen und KI-gestützter Bilderkennung wird als vielversprechender Ansatz für zukünftige, skalierbare Ernährungsmonitoring-Strategien identifiziert.